Включение взаимодействия
Как и в случае с одной числовой и одной категориальной объясняющей переменной, числовые объясняющие переменные тоже могут взаимодействовать между собой. При такой структуре модели появляется третий коэффициент наклона: по одному для каждой объясняющей переменной и ещё один для взаимодействия.
В этом упражнении вы построите, применяете для предсказания и визуализируете ту же модель, что и в предыдущем, но на этот раз с учётом взаимодействия между объясняющими переменными.
Это упражнение является частью курса
Промежуточная регрессия со statsmodels в Python
Инструкции к упражнению
- Измените название модели на
mdl_price_vs_conv_dist_inter. - Адаптируйте остальной код из предыдущего упражнения, добавив взаимодействие.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()